关于机器的能力是否能超过人的能力这个问题有很多争论。持否定意见的人的一个主要论据是：机器是人造的，其性能和动作完全是由设计者来规定的，因此无论如何其能力也不会超过设计者本人。这种观点，对不具备学习能力的机器来说的确是对的，可是对具备学习能力的机器就值得考虑了，因为这种机器的能力在应用中不断地提高，过一段时间以后，设计者本人也不知他的能力到了何种水平。这就是机器学习的不可预测问题。 　　学习结果的不确定性带来新的问题就是学习系统产生的知识可能是系统设计者都无法预测，如果用这种系统解决重要问题，就可能产生意外的困难或危险。因此我们必须设计新的有自适应能力的系统，用于安排测试过程来审查学习系统产生的知识。而且这个系统必须具有与被监测的系统相当的学习（自适应）能力，才能够跟随系统知识的变化，完成实时的检测。然而，这个监测系统本身的变化又如何了解、控制那？ 　　本章讨论的内容不涉及机器学习的不可预测性。主要介绍机器学习的基本思想和基于实例的学习、基于解释学习等具体的机器学习方法，希望读者能对这一领域有一个初步的了解和认识。 　　学习是系统积累经验以改善其性能的过程。从1956年人工智能创立至今，研究人员就一直非常重视机器学习的研究。50年代末，塞缪尔编写了著名的跳棋程序，这一程序可以从经验中学习，不断调整棋盘局势评估函数，提高自己的棋艺。1970年，温斯顿（P. H. Winston）建立了一个从例子进行概念学习的系统，它可以学会积木世界中一系列概念的结构描述。70年代末至80年代，机器学习更是蓬勃发展起来，逐渐成为人工智能研究的主流之一。未来的计算机将有自动获取知识的能力。它们直接由书本学习，通过与人谈话学习，通过观察环境学习。它们通过实践自我完善，克服人的局限性，例如存储量少、效率低、注意力分散和难以传送所获取的知识等等弱点。而一台计算机获取的知识很容易复制给任何其它机器。人类的这些设想可望在不久变成现实。我们有必要对这一前景给以关注。